En este documento, para predecir con precisión el desgaste de herramientas, propusimos una nueva red de aprendizaje profundo, es decir, el IE-Bi-LSTM, basada en un codificador informer y memoria a corto y largo plazo bidireccional. El IE-Bi-LSTM utiliza la parte del codificador del modelo informer para capturar conexiones a nivel global y extraer secuencias de características largas con rica información de sensores multicanal. En contraste con los métodos que utilizan CNN y RNN, este modelo podría lograr la extracción remota de características y el cálculo paralelo de características dependientes de secuencias largas. El codificador informer adopta la capa de destilación de atención para aumentar la eficiencia computacional, reduciendo así la sobrecarga computacional de atención en comparación con la de un codificador transformer. Para recopilar mejor la información de ubicación mientras se mantienen las propiedades de serialización, se empleó una red de memoria a corto y largo plazo bidireccional (Bi-LSTM). Después de la capa completamente conectada, se generó el valor de predicción del desgaste de la herramienta. Después de la augmentación de datos, se utilizó el conjunto de datos básico PHM2010 para verificar la efectividad del modelo. Una prueba de comparación reveló que el modelo podía aprender más características completas y tenía una fuerte precisión de predicción después de ajustar los hiperparámetros. También se llevó a cabo un experimento de ablación para demostrar la eficacia del módulo del modelo mejorado.